一种开关设备放电声音采集及特征识别方法

1.本发明涉及开关设备放电声音识别领域，尤其涉及一种开关设备放电声音采集及特征识别方法。


背景技术：

2.变电站高压开关设备结构紧凑、体积小，由于是封闭设备，开关设备内部隐患缺陷在日常巡视检查中不易发现。实际运行中，由于开关设备内部局部放电问题时有发生，给稳定运行带来严重的安全隐患。为此，运行中需要对开关设备局部放电危害加以关注，通过有效的带电检测技术进行检测，争取内部缺陷隐患早发现和早预防。
3.开关设备局部放电主要因内部电场不均匀或电介质不均匀引起。常见引起开关设备局部放电的原因有:开关设备设计缺陷，柜内绝缘净距不足。制造工艺装配质量不良，存在毛刺。内部接头接触面不足或接触不良。柜内环境引起的绝缘降低，积尘严重或受潮凝露。雷电过电压造成柜内闪络。其中，由于南方天气较为潮湿，寒冷潮湿天气容易发生开关设备局部放电情况。开关设备局部放电可能引起柜内绝缘老化和击穿，引发开关设备故障甚至爆炸，其危害是不容忽视的。局部放电的危害主要包括:一是电作用，带电粒子对固体介质表面进行轰击，使得介质分解分子，在介质表面形成凹坑，最终导致击穿。二是热作用，局部放电在细微的局部形成高温，引起介质的热溶解和老化。三是化学作用，因局部放电造成介质分解形成的x二次化学产物，不仅对绝缘介质，还对金属材料具有氧化和腐蚀破坏作用。
4.现有开关设备局部放电检测技术包括超声检测技术、暂态地电压检测技术、特高频局部放电检测技术等等，但是现有的这些放电监测技术均不能够对开关设备放电进行实时的在线监测。而现有声音识别技术虽然已经较为成熟的进行运用，但是还没有出现在用于对开设设备进行放电监测及检测的技术用途。以及开关设备在具体的运行过程中也会产生较大的噪声，也不利于对放电声音进行精确的监测分析。因此提出一种开关设备放电声音采集及特征识别方法。


技术实现要素：

5.本发明的目的在于提供一种开关设备放电声音采集及特征识别方法，解决了现有的开关设备放电监测无法在线实时进行，且分析识别准确度低的问题。
6.为实现上述目的，本发明提供如下技术方案：一种开关设备放电声音采集及特征识别方法，包括以下步骤：
7.步骤1：音频数据采集预处理：
8.1)利用音频采集器对开关设备各个状态下故障与不故障的海量放电音频数据进行采集；
9.2)将所有音频转换到统一的精度；
10.3)将所有的音频统一到相同的采样频率；
11.4)将所有音频文件保存为相同格式，例如wav或mp3等格式；
12.步骤2：海量音频数据识别：构建深度自动编码器识别分析模型，对步骤1中所采集并处理的音频数据进行特征识别；
13.步骤3：音频数据分类：
14.1)使用分块稀疏来表示语音数据分类,假设稀疏向量为语音词q,取块长度为l,需满足能被m整除的条件,即为m＝l
×
n，此时,需将训练向量分成n块,则稀疏向量表达式为：
15.q＝[q1…ql
，q
1+l
…q2l
，
…
，q
m-l+1
…qnl
]
ꢀꢀ
(1)
[0016]
2)将编码器获取的冗余语音词序列按照长度l来分块,即将原始冗余字典r分解成n个矩阵,从欠定方程y中寻找稀疏向量稀疏表示：
[0017]
y＝rq
ꢀꢀ
(2)
[0018]
3)将分块稀疏求解问题变为求取特征数据个数的问题,将原有训练样本按照统一格式划分,以块为单位,不断迭代寻找稀疏向量,以此提高识别效率。
[0019]
优选的，所述步骤1的2)中基于python语言开发音频精度转换程序将所有音频转换到统一的精度。
[0020]
优选的，所述步骤1的3)中统一音频的采样频率所用的数据重采样库包括scipy、soundfile、tensorflow。
[0021]
优选的，所述步骤2中的深度自动编码器包括3个层次，分别为输入层﹑隐藏层和输出层，且中间的隐藏层有多个。
[0022]
优选的，所述步骤2中的海量音频数据识别方法为：
[0023]
1)首先将原始数据经过特征硬件采集后进行矢量化处理，转换为相应特征向量，设既定音频特征序列为结合深度自动编码器模型，产生相应音频词序列q：
[0024][0025]
式(3)中，p(q)表示音频词q的输出概率；表示在既定音频特征词q下，输出音频学特征为的概率；
[0026]
2)在含有噪声词的音频词序列中，可忽略音频词q，因此式(3)可变为：
[0027][0028]
对于式(4)右边的部分选取对数，简化公式可得到：
[0029][0030]
式(5)中，表示声学数据精准识别得分；log p(q)表示音词数据精准识别得分，λ表示音频数据识别精准程度评分；
[0031]
3)将提取的语音特征加入训练集中并通过步骤2进行特征参数训练，归纳出训练集所形成的特征空间；
[0032]
4)主要将预设训练集提取的语音特征参数与训练结果匹配，以获得相似性考虑因素，以此作出识别决策。
[0033]
与相关技术相比较，本发明提供的一种开关设备放电声音采集及特征识别方法具
有如下有益效果：
[0034]
1、本发明提供一种开关设备放电声音采集及特征识别方法，通过对开关设备放电声音进行采集并识别，而有效对开关设备的放电进行实时的在线监测，并识别分析以确定放电的引发原因，进而对提高对开关设备的监测管理，以及时发现开设设备的故障，增强其运行时的安全与稳定性。
[0035]
2、本发明提供一种开关设备放电声音采集及特征识别方法，通过引入深度自动编码器而建立音频数据特征识别分析模型，利用深度自动编码器可以有效去除噪音，而能够提取隐藏层中原始数据的特征，进而对所采集的开关设备放电声音进行有效的除噪，而进行高精度的识别，提高了对开关设备放电识别分析的精确性。
[0036]
使得本方法具有可以有效的利用开关设备放电的音频特征对其进行分析，而高精度的分析放电原因，可以及时在线的进行放电故障的监测，而提高开关设备运行的安全与稳定性。
附图说明
[0037]
图1为本发明的去噪自动编码器模型图。
具体实施方式
[0038]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0039]
实施例一：
[0040]
请参阅图1，本发明提供一种技术方案：一种开关设备放电声音采集及特征识别方法，包括以下步骤：
[0041]
步骤1：音频数据采集预处理：
[0042]
1)利用音频采集器对开关设备各个状态下故障与不故障的海量放电音频数据进行采集；
[0043]
2)将所有音频转换到统一的精度；
[0044]
3)将所有的音频统一到相同的采样频率；
[0045]
4)将所有音频文件保存为相同格式，例如wav或mp3等格式；
[0046]
步骤2：海量音频数据识别：构建深度自动编码器识别分析模型，对步骤1中所采集并处理的音频数据进行特征识别；
[0047]
步骤3：音频数据分类：
[0048]
1)使用分块稀疏来表示语音数据分类,假设稀疏向量为语音词q,取块长度为l,需满足能被m整除的条件,即为m＝l
×
n，此时,需将训练向量分成n块,则稀疏向量表达式为：
[0049]
q＝[q1…ql
，q
1+l
…q2l
，
…
，q
m-l+1
…qnl
]
ꢀꢀ
(1)
[0050]
2)将编码器获取的冗余语音词序列按照长度l来分块,即将原始冗余字典r分解成n个矩阵,从欠定方程y中寻找稀疏向量稀疏表示：
[0051]
y＝rq
ꢀꢀ
(2)
[0052]
3)将分块稀疏求解问题变为求取特征数据个数的问题,将原有训练样本按照统一格式划分,以块为单位,不断迭代寻找稀疏向量,以此提高识别效率。
[0053]
步骤1的2)中基于python语言开发音频精度转换程序将所有音频转换到统一的精度，具体步骤为：
[0054]
1.import soundfile#导入soundfile音频包
[0055]
2.data,sample＝soundfile.read(file)#读取音频文件
[0056]
3.soundfile.write(newname,data,sample,subtype)#将音频文件按照指定的精度存储
[0057]
4.通过以上代码调用，可实现音频精度的转换。
[0058]
步骤1的3)中统一音频的采样频率所用的数据重采样库包括scipy、soundfile、tensorflow，具体步骤为：
[0059]
1.import tensorflow#导入tensorflow库
[0060]
2.wav,sample-rate＝tf.audio.decode_wav(file,desired_channels)#加载并解码音频文件
[0061]
3.wav＝tfio.audio.resample(wav,rate_in,sample_rate,rate_out)#将音频文件按照设定频率存储。
[0062]
4.通过以上代码调用，可实现音频文件重采样。
[0063]
步骤2中的深度自动编码器包括3个层次，分别为输入层﹑隐藏层和输出层，且中间的隐藏层有多个。
[0064]
步骤2中的海量音频数据识别方法为：
[0065]
1)首先将原始数据经过特征硬件采集后进行矢量化处理，转换为相应特征向量，设既定音频特征序列为结合深度自动编码器模型，产生相应音频词序列q：
[0066][0067]
式(3)中，p(q)表示音频词q的输出概率；表示在既定音频特征词q下，输出音频学特征为的概率；
[0068]
2)在含有噪声词的音频词序列中，可忽略音频词q，因此式(3)可变为:
[0069][0070]
对于式(4)右边的部分选取对数,简化公式可得到：
[0071][0072]
式(5)中，表示声学数据精准识别得分；log p(q)表示音词数据精准识别得分，λ表示音频数据识别精准程度评分；
[0073]
3)将提取的语音特征加入训练集中并通过步骤2进行特征参数训练,归纳出训练集所形成的特征空间；
[0074]
4)主要将预设训练集提取的语音特征参数与训练结果匹配,以获得相似性考虑因
素,以此作出识别决策。
[0075]
对比例1：
[0076]
为验证模型的有效性，首先通过tensorflow公用音频库，对模型进行验证。
[0077]
本文所选用音频库为“datasets/esc-50-master/audio”，从音频库中分别选取开关设备运行环境潮湿导致高压开关设备局部放电音频数据与制造质量差，工艺差导致高压开关设备局部放电音频数据。划分为训练集、验证集和测试集。循环epoch设为100，提前结束参数设为5。采用分批方式，对模型进行训练。从所有epoch中选取最优模型进行保存。
[0078]
利用保存的最优模型，通过测试集对模型进行测试，验证cat和dog类声音识别能力。识别结果如下：
[0079]
声源类别识别准确率开关设备运行环境潮湿的放电数据97.1％开关设备制造质量差，工艺差的放电数据98.3％
[0080]
进而通过上述对比实验的验证，进一步验证了本方法具有可以有效的利用开关设备放电的音频特征对其进行分析，而高精度的分析放电原因，可以及时在线的进行放电故障的监测，而提高开关设备运行的安全与稳定性。

技术特征：
1.一种开关设备放电声音采集及特征识别方法，其特征在于，包括以下步骤：步骤1：音频数据采集预处理：1)利用音频采集器对开关设备各个状态下故障与不故障的海量放电音频数据进行采集；2)将所有音频转换到统一的精度；3)将所有的音频统一到相同的采样频率；4)将所有音频文件保存为相同格式，例如wav或mp3等格式；步骤2：海量音频数据识别：构建深度自动编码器识别分析模型，对步骤1中所采集并处理的音频数据进行特征识别；步骤3：音频数据分类：1)使用分块稀疏来表示语音数据分类,假设稀疏向量为语音词q,取块长度为l,需满足能被m整除的条件,即为m＝l
×
n，此时,需将训练向量分成n块,则稀疏向量表达式为：q＝[q1…
q
l
，q
1+l
…
q
2l
，
…
，q
m-l+1
…
q
nl
]
ꢀꢀ
(1)2)将编码器获取的冗余语音词序列按照长度l来分块,即将原始冗余字典r分解成n个矩阵,从欠定方程y中寻找稀疏向量稀疏表示：y＝rq (2)3)将分块稀疏求解问题变为求取特征数据个数的问题,将原有训练样本按照统一格式划分,以块为单位,不断迭代寻找稀疏向量,以此提高识别效率。2.根据权利要求1所述的一种开关设备放电声音采集及特征识别方法，其特征在于，所述步骤1的2)中基于python语言开发音频精度转换程序将所有音频转换到统一的精度。3.根据权利要求1所述的一种开关设备放电声音采集及特征识别方法，其特征在于，所述步骤1的3)中统一音频的采样频率所用的数据重采样库包括scipy、soundfile、tensorflow。4.根据权利要求1所述的一种开关设备放电声音采集及特征识别方法，其特征在于，所述步骤2中的深度自动编码器包括3个层次，分别为输入层﹑隐藏层和输出层，且中间的隐藏层有多个。5.根据权利要求1所述的一种开关设备放电声音采集及特征识别方法，其特征在于，所述步骤2中的海量音频数据识别方法为：1)首先将原始数据经过特征硬件采集后进行矢量化处理，转换为相应特征向量，设既定音频特征序列为结合深度自动编码器模型，产生相应音频词序列q：式(3)中，p(q)表示音频词q的输出概率；表示在既定音频特征词q下，输出音频学特征为的概率；2)在含有噪声词的音频词序列中，可忽略音频词q，因此式(3)可变为:
对于式(4)右边的部分选取对数,简化公式可得到：式(5)中，表示声学数据精准识别得分；log p(q)表示音词数据精准识别得分，λ表示音频数据识别精准程度评分；3)将提取的语音特征加入训练集中并通过步骤2进行特征参数训练,归纳出训练集所形成的特征空间；4)主要将预设训练集提取的语音特征参数与训练结果匹配,以获得相似性考虑因素,以此作出识别决策。

技术总结
本发明公开了一种开关设备放电声音采集及特征识别方法，涉及开关设备放电声音识别领域，解决了现有的开关设备放电监测无法在线实时进行，且分析识别准确度低的问题，现提出如下方案，其包括引入深度自动编码器而建立音频数据特征识别分析模型，利用深度自动编码器可以有效去除噪音，而能够提取隐藏层中原始数据的特征，并进行高精度的识别，提高了对开关设备放电识别分析的精确性，对开关设备放电声音进行采集并识别，而有效对开关设备的放电进行实时的在线监测，增强其运行时的安全与稳定性。本方法可以有效的利用开关设备放电的音频特征进行高精度且及时的在线放电故障监测，而提高开关设备运行的安全与稳定性。提高开关设备运行的安全与稳定性。提高开关设备运行的安全与稳定性。


技术研发人员：沈建位 应力恒 黄棋悦 梅晓妍 夏冰冰
受保护的技术使用者：宁波职业技术学院
技术研发日：2023.06.20
技术公布日：2023/9/13